Inteligencia geoespacial: el nuevo motor de eficiencia en minería

• La Inteligencia geoespacial, un término que describe la recopilación, análisis e interpretación de datos geoespaciales para tomar decisiones fundamentadas está transformando la minería. Jacinto Obispo, director de tecnología de Apiux dilucida diversos aspectos de esta metamorfosis tecnológica que comienza a sonar fuerte, especialmente en la Gran Minería.

La industria minera chilena está adoptando activamente la tecnología para mejorar la eficiencia, seguridad y sostenibilidad de la industria, impulsada por la necesidad de abordar el estancamiento en la producción de cobre y los desafíos ambientales. La digitalización y la automatización son tendencias clave. Entre los últimos avances conocidos están los datos geoespaciales, que se han convertido en el nuevo motor de eficiencia en minería.

La Inteligencia geoespacial, un término que describe la recopilación, análisis e interpretación de datos geoespaciales para tomar decisiones fundamentadas está transformando la minería. Jacinto Obispo, director de tecnología de Apiux dilucida diversos aspectos de esta metamorfosis tecnológica, que comienza a sonar fuerte, especialmente en la Gran Minería.

¿Por qué la inteligencia geoespacial se está convirtiendo en un eje crítico para la eficiencia minera en Chile hoy?

Son varios los motivos, porque son varios los beneficios y aplicaciones que tiene en el campo de la operación minera. Estos van desde la optimización de la operación que busca menores costos, hasta una operación más segura, que busca evitar accidentes que pongan en riesgo personas y activos. La respuesta más concisa y exacta es porque permite tener datos reales, no simulaciones, de cómo se mueven todos los componentes de la operación, por lo que el estudio de estos datos deviene en resultados absolutamente precisos cuando se aplican en modelos de analítica avanzada.

En términos concretos, ¿dónde han visto los mayores ahorros operacionales al usar datos del territorio?

En la operación del equipo de Gran minería o maquinaria pesada. En estos equipos una pequeña optimización puede redundar en un ahorro considerable de costes. Veamos un ejemplo, un neumático de un Camión Clase Ultra CAT 797, puede costar entre 42.000 y 60.000 dólares, para una vida útil de entre 4.000 y 6.000 horas, es decir sólo 6 a 9 meses. Teniendo en cuenta que este modelo tiene 6 ruedas, cada minuto de optimización permite un ahorro de 0,92 dólares, es decir si se logra reducir el rodaje en sólo un 10% estamos hablando de un ahorro por equipo de 4.104 dólares al mes, lo que en la vida útil del neumático supone entre 24.624 y 36.126 dólares.

Si a lo anterior le sumamos la proyección del gasto anual en neumáticos, más un menor coste anual de la operación necesaria para cambiar unas ruedas que tienen un diámetro de 4 metros, más el ahorro en combustible (aprox. 250 l/h) y demás desgaste de partes y piezas podemos estar hablando de ahorros de más 100.000 dólares al año por cada uno de los equipos. Se estima que en Chile hay entre 1.600 y 1.800 unidades de este tipo de maquinaria por lo que hablamos de un potencial ahorro de 160M dólares en sólo uno de los innumerables equipamientos de la minería.

¿Qué cambia realmente en una faena cuando toda la flota y los equipos están trazados en tiempo real?

Lo que cambia, básicamente, es la forma de tomar decisiones. Cuando sabes en todo momento dónde está cada activo, cuánto lleva, qué equipo está disponible o quién está detenido, la operación deja de intentar adivinar y empieza a actuar con información real. Eso se nota en cosas muy concretas: menos tiempos muertos, rutas mejor organizadas y menos esperas entre procesos. Antes, se perdían minutos aquí y allá sin que nadie lo advirtiera; con trazabilidad completa, esos minutos aparecen, se miden y se corrigen. Y, al final, eso se traduce en producción estable sin necesidad de sumar más flota. Es como encender la luz en una habitación donde siempre trabajabas a oscuras.

¿Cómo ayuda el monitoreo ambiental predictivo a anticipar incidentes y evitar paralizaciones?

La diferencia está en el verbo: con predicción nos anticipamos, no reaccionamos.
Por ejemplo, si sabemos que la humedad del material está subiendo, que el viento va a cambiar o que un talud está mostrando variaciones fuera de lo habitual, podemos decidir antes de que el problema afecte la operación.

Eso permite ajustar turnos, desviar rutas, reforzar equipos o incluso parar a tiempo, y evitar una detención más grave después. En minería, una hora de quiebre operativo cuesta mucho más que una hora de prevención bien tomada.

¿Cuál es el próximo salto tecnológico que debería adoptar la minería chilena para seguir siendo competitiva?

El siguiente salto no es una única tecnología, es la combinación de tres elementos: conectividad robusta en terreno, analítica en tiempo real (incluyendo modelos predictivos) y operaciones orientadas por datos, es decir, que las decisiones diarias se tomen apoyadas por la información que generan los equipos. Si tuviera que priorizar uno, diría: digitalización end-to-end con capacidad de acción automática.

¿Hay casos de compañías mineras en Chile integrando esta tecnología en sus operaciones?

Sí, hay varias operaciones en el país están integrando capacidades para lo que llamamos inteligencia geoespacial; con datos de flota, sensores ambientales y producción integrados en el mismo tablero. Todavía no es la norma en toda la industria, pero el movimiento ya empezó y avanza rápido.

¿Qué proyecciones para su mayor incorporación, observan los expertos en este mercado? ¿Tenemos mano de obra capacitada?

Lo que vemos en el mercado es que la adopción va a crecer rápido en los próximos tres a cinco años, sobre todo porque las operaciones ya están invirtiendo en conectividad, sensores y centros remotos.  La inteligencia geoespacial es el siguiente paso natural cuando ya existe infraestructura para captar datos en tiempo real. Ahora, el desafío también tiene que ver con talento. En Chile hay buenos profesionales, pero todavía falta gente con experiencia en analítica aplicada a terreno, gente que entienda cómo se mueve una faena y cómo se transforma un dato en una decisión operativa. No es una brecha imposible, pero sí requiere formación práctica, no solo teoría.

¿Qué tipo de talento es el que deberían formar universidades e institutos de formación técnica para desarrollar las habilidades necesarias para el trabajo predictivo, por ejemplo?

Necesitamos perfiles híbridos. Gente que pueda trabajar con un modelo predictivo, pero también, que entienda el ritmo de una planta, el ciclo de carga y el impacto de una detención. Hablamos de analistas operacionales, especialistas en datos espaciales, técnicos capaces de instalar y mantener sensores, y profesionales que manejen modelos de ML orientados a producción.